新的ADEx-FNO框架统一了用于复杂几何形状的傅里叶神经网络算子

研究人员推出了一种新颖的ADEx-FNO框架，旨在增强傅里叶神经网络算子（FNOs）在涉及复杂和变化几何形状的应用。该方法将物理域嵌入固定的环境超立方体中，允许FNOs在不改变核心算子层的情况下处理不同离散化数据。ADEx-FNO在计算流体动力学（CFD）模拟中表现出显著的改进，减少了传统求解器所需的伪时间迭代次数，并在将学习到的数据迁移到不同物理条件方面显示出有希望的结果。 AI

影响 该框架通过提高神经网络算子对复杂几何形状的适应性，有望在计算流体动力学等领域实现更高效、更准确的模拟。

排序理由 该条目是一篇学术论文，详细介绍了一种用于傅里叶神经网络算子的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• ADEx-FNO
• alphaXiv
• CatalyzeX
• computational fluid dynamics
• DagsHub
• Domain Name Server
• Fourier Neural Operators
• Gotit.pub
• Hugging Face
• Rans
• Roberto Nuca PhD
• ScienceCast
• uranium

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →